用python解析html-白红宇

用python解析html

阅读量：2178 次

发布时间：2019-05-01

本文共 4380 字，大约阅读时间需要 14 分钟。

python中，有三个库可以解析html文本，HTMLParser,sgmllib,htmllib。他们的实现方法不通，但功能差不多。这三个库中提供解析html的类都是基类，本身并不做具体的工作。他们在发现的元件后（如标签、注释、声名等），会调用相应的函数，这些函数必须重载，因为基类中不作处理。

比如：

"""<html><head><title>Advice</title></head><body>

<p>The <a href=" admonishes:

<i>Be strict in what you <b>send</b>.</i></a></p>

<form>

</body></html>

"""

如果对这个数据做处理，当检测到<html>标签时，对于HTMLParser，会调用handle_starttag函数。

下面具体介绍下几个库

1、HTMLParser

#------------------ HTMLParser_stack.py ------------------##-- coding: GBK --import HTMLParser,sys,os,stringhtml = """<html><head><title>Advice</title></head><body><p>The <a href="http://ietf.org" mce_href="http://ietf.org">IETF admonishes:<i>Be strict in what you <b>send</b>.</i></a></p><form><input type=submit > <input type=text name=start size=4></form></body></html>"""tagstack = []class ShowStructure(HTMLParser.HTMLParser): def handle_starttag(self, tag, attrs): tagstack.append(tag) def handle_endtag(self, tag): tagstack.pop() def handle_data(self, data): if data.strip(): for tag in tagstack: sys.stdout.write('/'+tag) sys.stdout.write(' >> %s/n' % data[:40].strip())ShowStructure().feed(html)

此函数的输出：

/html/body/p >> The

/html/body/p/a >> IETF admonishes:

/html/body/p/a/i >> Be strict in what you

/html/body/p/a/i/b >> send

/html/body/p/a/i >> .

对于一些网页，可能并没有严格的开始结束标签对，这时，我们可以去忽略一些标签。可以自己写个堆栈来处理这些标签。

#*--------------- TagStack class example -----------------#class TagStack: def __init__(self, lst=[]): self.lst = lst def __getitem__(self, pos): return self.lst[pos] def append(self, tag): # Remove every paragraph-level tag if this is one if tag.lower() in ('p','blockquote'): self.lst = [t for t in self.lst if t not in ('p','blockquote')] self.lst.append(tag) def pop(self, tag): # "Pop" by tag from nearest pos, not only last item self.lst.reverse() try: pos = self.lst.index(tag) except ValueError: raise HTMLParser.HTMLParseError, "Tag not on stack" del self.lst[pos] self.lst.reverse()tagstack = TagStack()

HTMLParser有个bug，就是不能处理中文属性，比如说，如果网页里有这么一段：

<input type=submit value=跳转到>

那么解析到这一行时就会出错。

错误原因还是正则表达式惹的祸。

attrfind = re.compile(

r'/s*([a-zA-Z_][-.:a-zA-Z_0-9]*)(/s*=/s*'

r'(/'[^/']*/'|"[^"]*"|[-a-zA-Z0-9./,:;+*%?!&$/(/)_#=~@]*))?')

attrfind 没有匹配中文字符。

可以更改这个匹配已修正这个错误。sgmllib则不存在这种错误。

2、sgmllib

html格式为sgml格式的一个子集，所以sgml可以处理跟多的东西，下面通过一段代码来示例sgmllib的用法。

#------------------ HTMLParser_stack.py ------------------##-- coding: GBK --import sgmllib,sys,os,stringhtml = """<lala><head><title>Advice</title></head><body><p>The <a href="http://ietf.org" mce_href="http://ietf.org">IETF admonishes:<i>Be strict in what you <b>send</b>.</i></a></p><form><input type=submit name='我'> 我 <input type=text name=start size=4></form></body></lala>"""os.chdir('d://python')f=file('testboard.txt','r')contest=f.read()tagstack = []class ShowStructure(sgmllib.SGMLParser): def handle_starttag(self, tag, method,attrs): tagstack.append(tag) def handle_endtag(self, tag): tagstack.pop() def handle_data(self, data): if data.strip(): for tag in tagstack: sys.stdout.write('/'+tag) sys.stdout.write(' >> %s/n' % data[:40].strip()) def unknown_starttag(self,tag,attrs): print 'start tag:<'+tag+'>' def unknown_endtag(self,tag): print 'end tag:</'+tag+'>' def start_lala(self,attr): print 'lala tag found'ShowStructure().feed(html)

输出:

start tag:<head>
start tag:<title>
/lala >> Advice
end tag:</title>
end tag:</head>
start tag:<body>
start tag:<p>
/lala >> The
start tag:<a>
/lala >> IETF admonishes:
start tag:<i>
/lala >> Be strict in what you
start tag:<b>
/lala >> send
end tag:</b>
/lala >> .
end tag:</i>
end tag:</a>
end tag:</p>
start tag:<form>
start tag:<input>
/lala >> ϒ
start tag:<input>
end tag:</form>
end tag:</body>
end tag:</lala>

和HTMLParser一样，如果要用sgmllib解析html，则要继承sgmllib.SGMLParser类，此类里的函数都是空的，用户需要重载它。这个类提供的功能是在特定情况下调用相应的函数。

比如当发现<html>标签时，如果并没有定义 start_html(self,attr)函数，则会调用unknown_starttag函数，具体怎么处理则更具用户。

sgml的标签是可以自定义的，比如自己定义了一个start_lala函数，则就会处理<lala>标签。

有个地方要说明下，如果定义了start_tagname函数，有定义了handle_starttag函数，则函数只会运行handle_starttag函数，start_tagname为空函数都没有问题，如果没有定义handle_starttag函数，则遇到<tagname>标签时，会运行start_tagname函数。如果没有定义tagname的start函数，则此标签为未知标签，调用unknown_starttag函数

转载地址：http://rjckb.baihongyu.com/

你可能感兴趣的文章